Data scientist : pourquoi ce poste est-il si crucial ?

Compétence très recherchée sur le marché, le data scientist murmure à l’oreille des chiffres. Sa mission ? Créer de la valeur pour l’entreprise, non seulement à travers l’analyse et la valorisation de données dormantes – mais aussi par le développement d’algorithmes d’intelligence artificielle et de modèles prédictifs. Créer ce poste dans votre entreprise peut être un avantage concurrentiel majeur. À condition de miser sur les bonnes compétences et de bien définir les objectifs du poste en fonction de vos enjeux métiers.

Selon l’APEC, le volume d’offres d’emploi pour un poste de data scientist a augmenté de 55 % depuis 2017. La progression de la demande est même supérieure pour le métier de data analyst, avec qui le data scientist partage une grande partie de son champ d’intervention : celui du recueil, de l’analyse et de l’exploitation des données existantes. Le data scientist va plus loin que le data analyst en créant si besoin de nouvelles sources de données et en y associant de nouveaux modèles d’exploitation, comme le ferait un chercheur.

Si ces profils ont tant la cote auprès des recruteurs, c’est qu’ils sont en capacité de transformer des données brutes ou inexploitées en sources de revenu, aussi bien au profit du marketing, de la relation clients que des activités de production.

Un contexte favorable au développement du métier de data scientist

Du secteur bancaire à l’énergie, en passant par les services ou le e-commerce, on sait depuis plusieurs années que le big data est un levier de croissance pour les grands groupes. Aujourd’hui, c’est aussi le cas pour les start-ups et même pour des PME plus traditionnelles. Pourtant, plus de la moitié de l’énorme volume d’informations stocké par le secteur privé relève du « dark data ». Il s’agit de données sauvegardées par les entreprises mais laissées à l’abandon dans le Cloud, faute de ressources pour les organiser et les traiter. Parmi elles, on peut citer les données de géolocalisation des clients, les fichiers d’archives nichés dans les serveurs ou autres données textuelles issues des .pdf, des emails et de leurs pièces jointes, des échanges de messagerie instantanée…

Dès lors qu’elles sont structurées et traitées, ces données peuvent avoir une valeur ajoutée importante, pour créer de nouveaux services, aider à la prise de décision en interne ou identifier de nouvelles opportunités commerciales. À l’inverse, abandonner cette gigantesque masse de données dans les disques durs des data centers n’est pas sans risque pour l’entreprise, notamment en matière de conformité réglementaire ou de cybersécurité. Sans compter les millions de tonnes de CO2 qu’elles génèrent. Innovation, gestion des risques, transition écologique…c’est dans ce contexte que le métier de data scientist prend tout son sens.

Preuve de ce besoin d’organisation de la data, selon le Data Report 2021 de Véritas, parmi les informations stockées et traitées par les entreprises :

• 53 % sont des données dites obscures (dark data) ;
• 19 % sont considérées comme stratégiques pour le business ;
• 28 % sont redondantes, obsolètes ou inutiles.

Concrètement, quel est le rôle du data scientist ?

En fonction du secteur d’activité et des objectifs stratégiques de l’entreprise, la feuille de route du data scientist est très variable. S’il est rattaché au service marketing, il peut être chargé de définir le profil des meilleurs clients actifs selon divers indicateurs, puis de développer des modèles pour les identifier automatiquement et leur proposer des recommandations, grâce à l’intelligence artificielle (IA). S’il intervient au sein d’autres services opérationnels (DSI, DAF…), il s’agira peut-être d’automatiser des processus pour détecter des fraudes, de gérer une maintenance prédictive dans le secteur industriel… Ou de faire des projections de ventes selon diverses hypothèses, dans le cadre du lancement d’un nouveau service ou d’une nouvelle fonctionnalité.

Pour ce faire, il extrait et structure des jeux de données disparates puis élabore et teste des algorithmes de machine learning (des modèles d’apprentissage automatiques, fondés sur l’IA), avant de les déployer dans les applications informatiques en interne (CRM, logiciels de gestion, etc.).

Data scientist : quel profil, quelles compétences ?

Généralement issu d’une école d’ingénieur ou d’un cursus universitaire de haut niveau en mathématiques ou en statistiques appliquées, le data scientist a une double casquette d’informaticien et de mathématicien. Autrement dit, il sait coder à l’aide des principaux langages de programmation déjà utilisés dans l’entreprise (Python, Java, SQL…), tout en maîtrisant les méthodologies statistiques complexes et la modélisation de données. Face au boom du métier depuis quelques années, de nombreuses formations spécialisées ont vu le jour. La demande demeure toutefois supérieure à l’offre, même si 32 000 personnes environ basées en France se présentent aujourd’hui comme data scientist sur LinkedIn. Alors que les grandes entreprises internalisent de plus en plus ce type de postes, beaucoup de data scientists continuent d’officier en freelance : une configuration à envisager pour vos projets ponctuels. À condition toutefois de définir très précisément la mission et la gouvernance en amont.

Si les compétences tech sont fondamentales, c’est bien sur l’expertise métier et sur les soft skills que se jouent aujourd’hui les recrutements des data scientists. Une grande partie de leur valeur ajoutée tient en effet à leur capacité à échanger avec les équipes en interne, pour comprendre leurs besoins métiers et leur apporter des solutions utiles et pérennes. Car il ne s’agit pas seulement de traiter des données brutes, mais d’en comprendre les enjeux et d’en anticiper les usages potentiels, au service de la stratégie d’entreprise. Esprit critique, communication, créativité et sens des affaires sont donc de mise.

Ces articles pourraient également vous intéresser :

• CEO : de quels talents faut-il vous entourer ?
• Simuler c’est prévoir : la Business Intelligence décryptée pour les PME
• Dompteur de données, le nouveau rôle du DAF